張一翀 郝泳濤

摘要：中醫(yī)中藥蘊(yùn)藏著中華民族的無限智慧，具有很高的價值，然而其有效整合面臨阻礙。引入現(xiàn)代技術(shù)，構(gòu)建中醫(yī)中藥本體，將中醫(yī)中藥信息知識化重構(gòu)，有助于中醫(yī)中藥領(lǐng)域的數(shù)據(jù)挖掘和知識發(fā)現(xiàn)。本研究探討了構(gòu)建中醫(yī)中藥知識圖譜的方法和技術(shù)，通過關(guān)鍵詞提取+人工干預(yù)的方式提取實(shí)體及關(guān)系，在降低人工成本的前提下提高識別準(zhǔn)確率，同時引入Neo4j圖數(shù)據(jù)庫，以構(gòu)建全面可視化的中醫(yī)中藥知識圖譜。

關(guān)鍵詞： 知識圖譜；Neo4j；命名實(shí)體識別；知識抽?。恢嗅t(yī)中藥；跨學(xué)科研究

中圖分類號：TP391? ? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2023）35-0030-03

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）

0 引言

中醫(yī)藥（TCM） 代表了中華民族在健康、疾病管理和醫(yī)療治療領(lǐng)域所具有的獨(dú)特智慧[1]。中醫(yī)藥具有重要的學(xué)術(shù)和實(shí)際價值，擁有豐富的理論知識和臨床經(jīng)驗(yàn)。作為中國傳統(tǒng)醫(yī)學(xué)的重要組成部分，中醫(yī)藥已經(jīng)積累了數(shù)千年的豐富經(jīng)驗(yàn)和知識體系。然而，缺乏將中醫(yī)藥整合到現(xiàn)代醫(yī)療體系中的策略，阻礙了其知識和信息的有效利用[2]。

鑒于計算機(jī)技術(shù)及其相關(guān)理論的進(jìn)步，利用現(xiàn)代技術(shù)對中醫(yī)藥知識進(jìn)行重構(gòu)和利用得到了認(rèn)可，并取得了實(shí)質(zhì)性成果。將計算機(jī)領(lǐng)域的先進(jìn)本體論理論和技術(shù)引入對中醫(yī)藥知識的組織研究，構(gòu)建了中藥本體。這一舉措實(shí)現(xiàn)了中藥信息的知識化重構(gòu)，從而有助于在中醫(yī)藥領(lǐng)域進(jìn)行數(shù)據(jù)挖掘和知識發(fā)現(xiàn)[3]。

在大數(shù)據(jù)時代，知識圖譜（Knowledge Graph， KG） 成為知識管理和應(yīng)用的重要資源，在語義檢索、知識推理、決策制定、問題解答、系統(tǒng)推薦等多個領(lǐng)域發(fā)揮關(guān)鍵作用，提高知識問答、決策支持、可視化分析等功能[4]。2012年，谷歌引入了KG的概念，并將其應(yīng)用于搜索引擎，隨后KG被應(yīng)用于多個領(lǐng)域。研究領(lǐng)域有很多通用知識圖譜、大型公共知識庫[5]。本文研究的中醫(yī)中藥知識圖譜屬于領(lǐng)域知識圖譜中的一類。中醫(yī)中藥知識圖譜是對中醫(yī)中藥領(lǐng)域的概念、實(shí)體和關(guān)系進(jìn)行建模和表示的一種結(jié)構(gòu)化的知識庫，它可以幫助醫(yī)生、研究人員和患者更好地理解并利用中醫(yī)中藥知識。

構(gòu)建中醫(yī)中藥知識圖譜的主要目標(biāo)是通過對中醫(yī)中藥相關(guān)的實(shí)體、關(guān)系和屬性進(jìn)行結(jié)構(gòu)化表示和鏈接，從而形成一個全面、準(zhǔn)確的中醫(yī)中藥知識網(wǎng)絡(luò)。這種知識圖譜有助于醫(yī)生進(jìn)行疾病的辨證施治、輔助臨床決策，并為中醫(yī)研究提供豐富的數(shù)據(jù)支持。此外，中醫(yī)中藥知識圖譜還可以促進(jìn)中醫(yī)與現(xiàn)代醫(yī)學(xué)的融合，為跨學(xué)科醫(yī)學(xué)研究和應(yīng)用開辟新的可能性。

盡管在構(gòu)建中醫(yī)中藥知識圖譜方面已經(jīng)有了一些研究工作，但仍然存在挑戰(zhàn)。首先，中醫(yī)中藥領(lǐng)域的知識具有復(fù)雜性、多樣性和模糊性，如何準(zhǔn)確地表示和連接這些知識是一個關(guān)鍵問題。其次，中醫(yī)中藥的知識體系龐大且分散，如何有效地收集、整合和存儲中醫(yī)中藥知識是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。此外，中醫(yī)中藥知識的更新和演進(jìn)是一個持續(xù)的過程，如何保持中醫(yī)中藥知識圖譜的時效性和可更新性也是一個重要問題。

因此，本文旨在深入探討構(gòu)建中醫(yī)中藥知識圖譜的方法和技術(shù)，以應(yīng)對中醫(yī)中藥知識在表示、關(guān)聯(lián)和存儲等關(guān)鍵領(lǐng)域面臨的挑戰(zhàn)，基于圖數(shù)據(jù)庫構(gòu)建全面可視化的中醫(yī)中藥知識圖譜，為中醫(yī)中藥領(lǐng)域的醫(yī)療實(shí)踐、研究和教育提供有力支持，促進(jìn)中醫(yī)知識的傳承和創(chuàng)新。

1 算法實(shí)現(xiàn)

中醫(yī)中藥知識圖譜的構(gòu)建過程如圖1所示，主要步驟為：知識采集、知識抽取、知識存儲。

1.1 數(shù)據(jù)收集及數(shù)據(jù)清洗

根據(jù)數(shù)據(jù)存儲的形式，數(shù)據(jù)源可分為3類：結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)。在中醫(yī)中藥知識圖譜的構(gòu)建過程中，本文的數(shù)據(jù)來源主要為半結(jié)構(gòu)化數(shù)據(jù)（如網(wǎng)頁中的表格、列表等）、非結(jié)構(gòu)化數(shù)據(jù)（如網(wǎng)頁中的純文本數(shù)據(jù)等）。本文的半結(jié)構(gòu)化數(shù)據(jù)主要來源為百度百科；非結(jié)構(gòu)化數(shù)據(jù)主要來源于互聯(lián)網(wǎng)上中醫(yī)中藥相關(guān)網(wǎng)頁的數(shù)據(jù)，例如中醫(yī)中藥網(wǎng)。筆者以爬蟲的形式獲取需要的中醫(yī)中藥相關(guān)的文本數(shù)據(jù)，并將其保存為txt文本。

對于半結(jié)構(gòu)化數(shù)據(jù)的提取過程如下：根據(jù)給定的初始頁面，利用類似廣度優(yōu)先的方式爬取網(wǎng)頁中可點(diǎn)擊的頁面信息，并將獲取的頁面進(jìn)行關(guān)鍵數(shù)據(jù)提取，提取頁面中InfoBox中的內(nèi)容，將其中的basicInfo-item name和basicInfo-item value按照對應(yīng)關(guān)系存放到Excel文件中。

對于非結(jié)構(gòu)化的文本數(shù)據(jù)，筆者選擇結(jié)構(gòu)性較強(qiáng)的數(shù)據(jù)，根據(jù)網(wǎng)頁格式編寫對應(yīng)的抓取規(guī)則，收集需要的頁面信息，將其保存為txt文本，用于后續(xù)的知識抽取操作。

獲取的數(shù)據(jù)還需要進(jìn)行數(shù)據(jù)清洗操作，本文根據(jù)一些篩選條件刪除數(shù)據(jù)中的異常值等，為后續(xù)的知識抽取操作做準(zhǔn)備。

1.2 知識抽取

知識抽取是構(gòu)建知識圖譜中比較重要的一步，從收集的數(shù)據(jù)中提取結(jié)構(gòu)化的信息，如命名實(shí)體、實(shí)體屬性及實(shí)體關(guān)系。

1） 命名實(shí)體識別

命名實(shí)體識別是指從文本中識別命名實(shí)體，是信息抽取的基礎(chǔ)。命名實(shí)體識別的結(jié)果會直接影響實(shí)體關(guān)系抽取和屬性抽取的結(jié)果。

在命名實(shí)體識別的算法過程中，首先將獲取的數(shù)據(jù)進(jìn)行分類，將其根據(jù)不同數(shù)據(jù)類別進(jìn)行劃分。然后，針對每個類別，采用關(guān)鍵詞匹配算法進(jìn)行初步實(shí)體提取。這一階段的關(guān)鍵是通過分割文本，判斷是否包含預(yù)定義的關(guān)鍵詞、短語或模式。這些關(guān)鍵詞可以是特定實(shí)體類型的名稱、屬性、上下文相關(guān)詞匯等。通過匹配和比較，算法能夠快速識別出可能的實(shí)體候選項(xiàng)。

隨后，在大致實(shí)體提取的基礎(chǔ)上，引入人工干預(yù)的二次判別。在這一步中，經(jīng)過初步提取的實(shí)體被提交給人工操作者。人工操作者可以根據(jù)領(lǐng)域知識和語境，對提取出的實(shí)體進(jìn)行再次驗(yàn)證和篩選。通過這一環(huán)節(jié)的人工干預(yù)，能夠排除虛假識別、糾正誤判等問題，提高實(shí)體識別的精度和可信度。

這個算法的設(shè)計目標(biāo)是在保證高效性和自動化的基礎(chǔ)上，結(jié)合關(guān)鍵詞匹配和人工判別的方法，實(shí)現(xiàn)對命名實(shí)體的準(zhǔn)確識別。通過將計算機(jī)的快速識別能力與人工識別的高準(zhǔn)確率結(jié)合起來，使算法能夠有效應(yīng)對不同領(lǐng)域和復(fù)雜語境下的實(shí)體識別挑戰(zhàn)，從而為后續(xù)的信息提取和分析提供可靠的數(shù)據(jù)基礎(chǔ)。

2） 實(shí)體規(guī)范化

由于爬取的數(shù)據(jù)來自不同網(wǎng)站，使用同一實(shí)體可能會存在不同的術(shù)語。因此需要進(jìn)行實(shí)體規(guī)范化將原始術(shù)語映射到標(biāo)準(zhǔn)術(shù)語，并通過繼承標(biāo)準(zhǔn)術(shù)語來進(jìn)一步創(chuàng)建實(shí)體。

本文面向中醫(yī)中藥領(lǐng)域，通過查閱資料，制定了實(shí)體關(guān)系識別模型中的實(shí)體類型及標(biāo)識，共有8種：疾病、癥狀、藥物、方藥、飲食、器官、治則治法、病因病機(jī)，如表1所示。

3） 實(shí)體關(guān)系抽取

實(shí)體關(guān)系抽取作為信息抽取的重要任務(wù)，是指在實(shí)體識別的基礎(chǔ)上，從非結(jié)構(gòu)化文本中抽取出預(yù)先定義的實(shí)體關(guān)系。實(shí)體對的關(guān)系可被形式化描述為關(guān)系三元組[e1， r， e2]，其中，e1和e2是實(shí)體，r屬于目標(biāo)關(guān)系集R{r1 ， r2 ， r3 ， ...， ri}。關(guān)系抽取的任務(wù)是從自然語言文本中抽取出關(guān)系三元組[e1， r， e2]，從而提取文本信息[6]。在實(shí)體抽取部分，根據(jù)上一步命名實(shí)體識別中對數(shù)據(jù)的分類，初步判斷句子中所包含的實(shí)體間關(guān)系，然后再通過人工干預(yù)的方式，進(jìn)一步確認(rèn)不同實(shí)體間的關(guān)系。

本文涉及的各實(shí)體間的關(guān)系類型有8種：表現(xiàn)、類別、治療、服用、組成、食療、誘發(fā)、涉及，如表2所示。本文按照實(shí)體在文中的出現(xiàn)順序確定主客體，即先出現(xiàn)的為主體，后出現(xiàn)的為客體。

4） 屬性抽取

屬性抽取是指從文本中提取實(shí)體的相關(guān)屬性或特征的任務(wù)。本文的屬性提取主要是源于百度百科及中醫(yī)中藥網(wǎng)上的半結(jié)構(gòu)化數(shù)據(jù)。如圖2所示，其中左邊是提取到的數(shù)據(jù)，右邊是處理后的結(jié)果。其中格式為：實(shí)體-屬性類型->屬性值

圖2（a）圖是提取InfoBox中的信息，主要包括信息框中“basicInfo-name”和“basicInfo-value”兩部分，中間用“：”分割。圖2（b）圖是將從InfoBox中提取出來的數(shù)據(jù)處理后的屬性三元組，形式為（實(shí)體1-關(guān)系->實(shí)體2） 。

1.3 數(shù)據(jù)存儲

本文對數(shù)據(jù)處理后得到的規(guī)范化結(jié)果以三元組的形式存儲，筆者選擇Neo4j圖數(shù)據(jù)庫來存儲數(shù)據(jù)。其中圖中的節(jié)點(diǎn)表示中醫(yī)中藥實(shí)體，關(guān)系三元組中的關(guān)系用圖中的邊來表示，通過從一個節(jié)點(diǎn)指向另一個節(jié)點(diǎn)之間的邊來表明兩個節(jié)點(diǎn)間存在某種關(guān)系，其中邊由主體指向客體；屬性三元組則會以<實(shí)體，屬性類別，屬性>的形式存儲到圖數(shù)據(jù)庫中。

2 實(shí)驗(yàn)結(jié)果及分析

2.1 知識抽取

通過對收集的數(shù)據(jù)進(jìn)行提取，本文共提到實(shí)體總數(shù)為：17 124個，關(guān)系總數(shù)為：22 138個，其中表3展示的是各類型實(shí)體數(shù)量，表4展示了各類型關(guān)系的數(shù)量。

2.2 數(shù)據(jù)可視化存儲

通過上述實(shí)驗(yàn)，可以得到中醫(yī)中藥知識圖譜中包含的實(shí)體及各實(shí)體間的關(guān)系。本文將從數(shù)據(jù)中獲得的實(shí)體和關(guān)系存儲在Neo4j圖數(shù)據(jù)庫中。圖3是以“肝火犯肺型咳嗽”為例，展示了圖數(shù)據(jù)庫中的一小部分知識圖譜，不同顏色的圓圈代表的是不同實(shí)體，箭頭上的文字表示兩實(shí)體間的關(guān)系，箭頭由主體指向客體。

3 結(jié)論

本文展示了中醫(yī)中藥知識圖譜的構(gòu)造過程。首先介紹了數(shù)據(jù)的獲取，然后給出了如何從獲取的數(shù)據(jù)中得到實(shí)體及實(shí)體間的關(guān)系，通過關(guān)鍵詞匹配算法+人工干預(yù)的方式，在降低人工工作量的前提下，提高了數(shù)據(jù)的準(zhǔn)確性。最后，使用Neo4j圖數(shù)據(jù)庫存儲數(shù)據(jù)，對數(shù)據(jù)進(jìn)行可視化展示。

在未來的工作中，筆者將不斷優(yōu)化知識提取過程，提高數(shù)據(jù)提取的準(zhǔn)確性，同時不斷更新數(shù)據(jù)庫，繼續(xù)完善數(shù)據(jù)庫，將數(shù)據(jù)庫的規(guī)模不斷擴(kuò)大。

參考文獻(xiàn)：

[1] 孫曉生，邢巖.構(gòu)建中國特色的健康管理體系：“治未病” 健康工程建設(shè)構(gòu)想[J].廣州中醫(yī)藥大學(xué)學(xué)報，2010，27（5）：517-519.

[2] 楊茗茜，袁東超，倪菲，等.《素問》脾藏象理論相關(guān)咳類疾病知識本體探究[J].中國中醫(yī)基礎(chǔ)醫(yī)學(xué)雜志，2021，27（2）：199-202.

[3] 劉耀，段慧明，穗志方.非相關(guān)文獻(xiàn)知識發(fā)現(xiàn)的數(shù)據(jù)基礎(chǔ)研究：以中醫(yī)藥古文獻(xiàn)語言知識庫的構(gòu)建為例[J].情報雜志，2006，25（9）：104-107.

[4] 黃煜俊.基于深度學(xué)習(xí)的裁判文書知識圖譜構(gòu)建研究[D].武漢：湖北工業(yè)大學(xué)，2020.

[5] CHENG B J，ZHANG J，LIU H，et al.Research on medical knowledge graph for stroke[J].Journal of Healthcare Engineering，2021，2021：5531327.

[6] 鄂海紅，張文靜，肖思琪，等.深度學(xué)習(xí)實(shí)體關(guān)系抽取研究綜述[J].軟件學(xué)報，2019，30（6）： 1793?1818.

【通聯(lián)編輯：唐一東】